Eigenwerte von Matrizen zu berechnen ist ein Problem, das häufig in naturwissenschaftlich-technischen Anwendungen auftritt. In der Theorie kann man mit Hilfe von Eigenwerten unter anderem Aussagen über die Stabilität von dynamischen Systemen machen. Außerdem spielen sie in der Stochastik, z.B. bei Markov-Ketten (Übergangswahrscheinlichkeiten, Brownsche Bewegung), eine wichtige Rolle. Nun einige Beispiele aus praktischen Anwendungen:
- in der Physik bei Schwingungsproblemen
- in der Chemie bei Verbrennungsprozessen
- in der Makroökonomie bei der Überprüfung von Marktstabilität
- in der Biologie bei Populationsmodellen
Die hierbei auftretenden Fragen bzw. Aufgaben sind z.B.: Wie berechnet man
- alle Eigenwerte und/oder alle Eigenvektoren für eine kleine Matrix (bis 10^3*10^3)?
- einen Eigenwert und/oder den zugehörigen Eigenvektor (betragsgrößter, -kleinster, mit größtem Realteil,...)?
- einige wenige Eigenwerte und gegebenenfalls die zugehörigen Eigenvektoren?
- einen Eigenvektor zu einem bekannten Eigenwert (Markov-Ketten)
Bei kleinen Matrizen, das heißt Matrizen der Größenordnung bis etwa 10^3*10^3, können diese mittels Householder-Transformationen auf Hessenberg-Form bzw. im hermiteschen
Fall auf Tridiagonal-Form zurückgeführt werden. Dann kann man z.B. mit der QR-Zerlegung die gewünschten Eigenwerte und/oder die zugehörigen Eigenvektoren berechnen.
In dieser Arbeit sollen Matrizen in der Größenordnung 10^3*10^3 bis 10^6*10^6 betrachtet werden. Da die erwähnten Standard-Algorithmen einen zu hohen Rechen- und Speicheraufwand verursachen, versucht man mittels Projektionsverfahren dieses große Problem auf ein kleines zu reduzieren, um darauf die Standardtechniken wieder anwenden und somit einen Teil des Spektrums approximieren zu können. Diese Arbeit hat die "Konvergenz von Krylov-Verfahren für Eigenwertprobleme" zum Thema.
Inhaltsverzeichnis
1 Einleitung
2 Iterationsverfahren
2.1 Abstand zwischen Unterraumen
2.2 Konvergenz von Unterraumiterationen
3 Ritz-Werte
3.1 Rayleigh-Ritz-Methode
3.2 Fehlerabschatzungen
4 Krylov-Methoden
4.1 Nichthermitesches Lanczos-Verfahren
4.2 Konvergenz der Eigenpaare
5 Hermitesche Eigenwertprobleme
5.1 Courant-Fischer-Theorem
Zielsetzung & Themen
Die vorliegende Diplomarbeit untersucht die Konvergenz von Krylov-Verfahren bei der numerischen Lösung großer Eigenwertprobleme, um den hohen Rechen- und Speicheraufwand klassischer Verfahren zu reduzieren. Der Fokus liegt dabei auf der theoretischen Herleitung von Konvergenzraten und der mathematischen Fundierung von Projektionsmethoden wie dem Lanczos-Verfahren.
- Mathematische Analyse der Konvergenz von Unterraumiterationen.
- Einführung und Anwendung der Rayleigh-Ritz-Methode zur Approximation von Eigenpaaren.
- Untersuchung des nichthermiteschen Lanczos-Verfahrens für große Matrizen.
- Herleitung von Fehlerabschätzungen durch die Resolventen-Theorie und das Courant-Fischer-Theorem.
- Betrachtung von Stabilitätseigenschaften bei hermiteschen Eigenwertproblemen.
Auszug aus dem Buch
3.1 Rayleigh-Ritz-Methode
Für einen Eigenvektor x \in \mathbf{C}^n der Matrix A mit Eigenwert \lambda \in \mathbf{C} gilt Ax = \lambda x oder Ax - \lambda x \perp \mathbf{C}^n.
Für die Approximation an den Eigenvektor x \in \mathbf{C}^n wird der Raum \mathbf{C}^n mit großer Dimension durch den Raum \mathcal{W} mit kleiner Dimension ersetzt, und somit kann das Problem wie folgt dargestellt werden: (PG) Auk - \theta_k u_k \perp \mathcal{W}, mit u_k \in \mathcal{V} \subset \mathbf{C}^n und \theta_k \in \mathbf{C}, wobei \dim \mathcal{V} = \dim \mathcal{W} = m sein soll. (PG) heißt Petrov-Galerkin-Bedingung und für den Spezialfall, daß \mathcal{W} = \mathcal{V} ist, wird (3.1) Galerkin-Bedingung genannt und die Projektion ist eine orthogonale Projektion.
Definition 3.1: Seien \mathcal{V}, \mathcal{W} \subseteq \mathbf{C}^n Unterräume. \theta_k \in \mathbf{C} heißt Ritz-Wert von A bzgl. \mathcal{V} mit Ritz-Vektor u_k (0 \neq u_k \in \mathcal{V}), falls gilt: Au_k - \theta_k u_k \perp \mathcal{W}. Somit erfüllt ( \theta_k, u_k) die Petrov-Galerkin-Bedingung. Das Paar (\theta_k, u_k) heißt Rayleigh-Ritz-Approximation.
Zusammenfassung der Kapitel
1 Einleitung: Beschreibt die Bedeutung der Eigenwertberechnung in naturwissenschaftlich-technischen Anwendungen und definiert den Rahmen für große Matrizen.
2 Iterationsverfahren: Leitet mathematische Grundlagen zur Konvergenz von Unterraumiterationen ab, insbesondere das Maß für den Abstand zwischen Unterräumen.
3 Ritz-Werte: Führt die Rayleigh-Ritz-Methode zur Approximation von Eigenpaaren ein und liefert präzise Fehlerabschätzungen für diese Projektionen.
4 Krylov-Methoden: Analysiert das nichthermitesche Lanczos-Verfahren und die Konvergenz der damit approximierten Eigenpaare.
5 Hermitesche Eigenwertprobleme: Behandelt den Spezialfall hermitescher Matrizen und beweist zentrale Aussagen wie das Courant-Fischer-Theorem.
Schlüsselwörter
Eigenwertprobleme, Krylov-Verfahren, Rayleigh-Ritz-Methode, Lanczos-Verfahren, Unterraumiteration, Spektraltheorie, numerische Mathematik, Matrizenberechnung, Projektionsverfahren, Fehlerabschätzung, Eigenvektoren, Konvergenzrate, hermitesche Matrizen, Courant-Fischer-Theorem, Resolvente.
Häufig gestellte Fragen
Worum geht es in dieser Diplomarbeit grundlegend?
Die Arbeit beschäftigt sich mit numerischen Methoden zur effizienten Berechnung von Eigenwerten und Eigenvektoren großer Matrizen, die in Wissenschaft und Technik auftreten.
Welche zentralen Themenfelder werden abgedeckt?
Die Schwerpunkte liegen auf Iterationsverfahren, Rayleigh-Ritz-Approximationen, der Theorie der Krylov-Räume sowie spezifischen Algorithmen wie dem Lanczos-Verfahren.
Was ist das primäre Ziel der Untersuchung?
Ziel ist es, die Konvergenz von Krylov-Verfahren mathematisch zu durchdringen, um effiziente Approximationen von Spektralanteilen großer Systeme zu ermöglichen.
Welche wissenschaftlichen Methoden kommen zum Einsatz?
Es werden methodische Ansätze aus der linearen Algebra verwendet, insbesondere Projektionsmethoden und die Theorie der Resolventen zur Fehleranalyse.
Was wird im Hauptteil behandelt?
Der Hauptteil gliedert sich in die theoretische Fundierung von Unterraumiterationen, die Approximation mittels Rayleigh-Ritz-Verfahren und die Konvergenzanalyse von Lanczos-Methoden.
Welche Schlüsselwörter charakterisieren die Arbeit?
Wichtige Begriffe sind unter anderem Eigenwertprobleme, Krylov-Verfahren, Lanczos-Algorithmus, Ritz-Werte und Konvergenzanalyse.
Warum ist das Lanczos-Verfahren für große Matrizen von besonderem Interesse?
Es ermöglicht die Konstruktion von Krylov-Räumen mit geringem Rechen- und Speicheraufwand, da nur Matrix-Vektor-Multiplikationen benötigt werden.
Welche Rolle spielt das Courant-Fischer-Theorem in diesem Kontext?
Es bietet fundamentale Optimalitätseigenschaften für Eigenwerte hermitescher Matrizen und dient als Basis für die Fehlerabschätzung der Ritz-Werte.
- Quote paper
- Aktuar DAV, Dipl.-Math. Alexander Weiß (Author), 1998, Konvergenz von Krylov-Verfahren für Eigenwertprobleme, Munich, GRIN Verlag, https://www.grin.com/document/85906
